Hardware-Aware Model Inversion in Memristive Spiking Neural Networks
Hardware-accelerated spiking neural networks (SNNs) implemented on memristive crossbar arrays offer significant gains in
#cs.NE
共收录 12 条相关情报。
← 返回所有主题Intellectual Property Protection of Hyperdimensional Computing Classifiers: Black-Box Ownership Verification via Model Watermarking
Hyperdimensional computing (HDC) offers efficient learning and inference for resource-constrained systems, yet ownership
Peer-Relative Trust-Guided Update Screening for Robust Semi-Decentralized Federated Learning under Label-Flipping Attacks
Trust and reputation mechanisms can reduce the influence of malicious clients in federated learning (FL), but strict upd
Event-Native Symbolic-Temporal Spike Encoding Framework for Heterogeneous Cyber Streams
该论文聚焦于将脉冲神经网络（SNN）用于网络入侵检测时面临的一个关键工程与建模矛盾：SNN 依赖稀疏、事件驱动的有状态计算，天然契合低功耗边缘神经形态硬件，也契合异步到达、恶意行为多体现为时序模式的网络监控数据；但真实赛博数据流并非由连续数
Predicting Privacy Leakage from Weight Spectral Density
本论文关注机器学习模型隐私审计的可扩展性问题。成员推理攻击（MIA）是评估模型是否泄露训练数据隐私的主流手段，但当前最先进的攻击需要训练大量计算昂贵的影子模型（shadow models），成本和算力开销极高，导致对大规模模型库或频繁迭代的
Robust Industrial Cyber Physical Classification Using Neuromorphic Temporal Embeddings and Hybrid SNN XGBoost Under Machine Unlearning Attacks
该论文关注电力配电网数字化带来的安全后果：工控与关键基础设施侧的网络暴露面扩大，而现有入侵检测系统（IDS）多依赖计算开销大的深度学习模型，难以在边缘侧部署；同时，为适应数据分布漂移而进行的周期性重训练，又使模型暴露于「机器遗忘攻击」（ma
Chameleon: An Adaptive AI-Driven Honeypot Architecture Using Threat-Calibrated Particle Swarm Optimization and Semantic Deception Rapidly-Exploring Random Trees
该论文提出了一种名为 Chameleon 的自适应蜜罐架构，旨在解决传统蜜罐的两个核心缺陷：一是行为轮廓固定不变，熟练攻击者仅需少量诊断命令即可识别出蜜罐环境，从而限制其情报收集价值；二是高成本商业欺骗产品（年费约 10 万至 15 万美元
External Sinkhole Attack Detection in Large-Scale WSNs Using Metaheuristic Feature Selection
本文研究大规模无线传感器网络（WSN）中外部汇聚节点攻击（sinkhole attack）的检测问题。汇聚节点攻击会通过伪造路由信息吸引网络流量，严重破坏网络功能。传统检测方法在高密度、大规模部署场景下面临特征维度高、计算开销大、误报率高等
On the Evaluation of Spiking Neural Network Configurations for Network Intrusion Detection
本文系统评估了脉冲神经网络（SNN）的不同配置（神经元模型与脉冲编码方案）在网络入侵检测中的性能。背景：传统深度学习模型计算需求高，难以部署到边缘设备和神经形态硬件，而SNN具有低功耗、事件驱动的特性，是潜在替代方案。但SNN的神经元模型和
Cross-Generational Transfer of Adversarial Attacks Reveals Non-Monotonic Safety Alignment in LLMs
本文研究了大型语言模型 (LLM) 在跨代际间的安全对齐是否单调提升。作者选取 Google 的 Gemma 系列四代模型（7B-31B），采用质量多样性进化算法（MAP-Elites）作为自动化红队探测工具，对模型进行对抗性攻击生成和评估
Quality-Diversity Evolution for Discovering Diverse Vulnerabilities in LLM Safety
当前针对大型语言模型（LLM）的对抗性测试方法存在覆盖不足的问题：人工红队测试难以规模化、LLM作为攻击者的方法容易出现模式崩溃（产生重复或相似攻击）、基于梯度的攻击则生成不可读的乱码。本文提出一种质量多样性（Quality-Diversi
Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
本文针对时间紧迫场景下的隐私保护分布式优化问题，提出了一种结合进化算法与安全多方计算（MPC）的方法。分布式优化中多个参与方协作寻找问题的最优解，但传统方法在添加隐私保护（如MPC）后会产生显著运行时开销，可能导致优化无法在截止时间前完成。